အင်တာဗျူး
Marlos C. Machado၊ Alberta တက္ကသိုလ်မှ တွဲဖက်ပါမောက္ခ၊ Amii Fellow၊ CIFAR AI သဘာပတိ – အင်တာဗျူးစီးရီး
Marlos C. Machado သည် Alberta Machine Intelligence Institute (Amii) တွင် နေထိုင်သူဖြစ်ပြီး Alberta တက္ကသိုလ်မှ တွဲဖက်ပါမောက္ခနှင့် ကနေဒါ CIFAR AI သဘာပတိကိုလည်း ကိုင်ဆောင်ထားရာ Amii မှ အပေါင်းအပါတစ်ဦးဖြစ်သည်။ Marlos ၏ သုတေသနပြုချက်သည် အားဖြည့်သင်ကြားမှုပြဿနာအပေါ် အများအားဖြင့် အာရုံစိုက်သည်။ သူသည် B.Sc. နှင့် M.Sc. ဘရာဇီးရှိ UFMG မှ နှင့် သူ၏ Ph.D. အယ်လ်ဘာတာတက္ကသိုလ်မှ၊ ရွေးချယ်စရာများမှတစ်ဆင့် ယာယီတိုးချဲ့ရှာဖွေရေးအယူအဆကို လူသိများလာခဲ့သည်။
သူသည် DeepMind တွင် 2021 ခုနှစ်မှ 2023 ခုနှစ်အထိ သုတေသနပညာရှင်တစ်ဦးဖြစ်ခဲ့ပြီး 2019 ခုနှစ်မှ 2021 ခုနှစ်အထိ Google Brain တွင် သုတေသနပြုလုပ်ခဲ့ပြီး ထိုအချိန်တွင် သူသည် အားဖြည့်သင်ယူခြင်းအတွက် အဓိကပံ့ပိုးကူညီမှုများပြုလုပ်ခဲ့ပြီး အထူးသဖြင့် Loon ၏ စထရာတိုစဖီးယားပူဖောင်းများကို ထိန်းချုပ်ရန်အတွက် နက်ရှိုင်းသောအားဖြည့်သင်ယူမှုကို အသုံးချခဲ့သည်။ Marlos ၏အလုပ်ကို Nature၊ JMLR၊ JAIR၊ NeurIPS၊ ICML၊ ICLR နှင့် AAAI အပါအဝင် AI ရှိ ထိပ်တန်းအစည်းအဝေးများနှင့် ဂျာနယ်များတွင် ထုတ်ဝေခဲ့သည်။ ၎င်း၏ သုတေသနကို BBC၊ Bloomberg TV၊ The Verge နှင့် Wired ကဲ့သို့သော နာမည်ကြီး မီဒီယာများတွင် ဖော်ပြခဲ့သည်။
နှစ်ပတ်လည် 2023 မှာ အင်တာဗျူးအတွက် ထိုင်ခဲ့ကြတယ်။ အထက်ဘောင် Edmonton, AB တွင်ကျင်းပပြုလုပ်သော AI ဆိုင်ရာညီလာခံ အေမီ (Alberta Machine Intelligence Institute)။
သင်၏ အဓိက အာရုံစိုက်မှုသည် အားဖြည့်သင်ကြားမှုအပေါ်တွင် တည်ရှိနေသည်၊ သင့်အား ဤစက်သင်ယူမှု အမျိုးအစားသို့ အဘယ်အရာက ဆွဲဆောင်နိုင်သနည်း။
အားဖြည့်သင်ကြားခြင်းနှင့်ပတ်သက်၍ ကျွန်ုပ်နှစ်သက်သောအရာမှာ ဤသဘောတရားဖြစ်ပါသည်၊ ၎င်းသည် အလွန်သဘာဝကျသောနည်းလမ်းဖြစ်သည်၊ ကျွန်ုပ်၏အမြင်အရ၊ သင်ယူခြင်းသည် အပြန်အလှန်အားဖြင့် သင်ယူခြင်းပင်ဖြစ်သည်။ တစ်နည်းအားဖြင့်ဆိုရသော် လူသားများအနေနှင့် ကျွန်ုပ်တို့ သင်ယူလေ့လာပုံရသည်။ AI ကို ပုံဖော်ရတာကို မကြိုက်ပေမယ့် အဲဒါက မင်းအရာတွေကို စမ်းကြည့်မယ့် အလိုလိုသိတဲ့နည်းလမ်း၊ တစ်ချို့အရာတွေက ကောင်းတယ်လို့ ခံစားရတယ်၊ တချို့အရာတွေက မကောင်းဘူးလို့ ခံစားရပြီး မင်းကို ပိုကောင်းစေတဲ့အရာတွေကို လုပ်တတ်အောင် သင်ယူသလိုပါပဲ။ အားဖြည့်သင်ကြားခြင်းနှင့်ပတ်သက်၍ ကျွန်ုပ်စိတ်ဝင်စားမိသော အရာတစ်ခုမှာ သင်က ကမ္ဘာကြီးနှင့် အမှန်တကယ် ထိတွေ့ဆက်ဆံနိုင်သောကြောင့်၊ သင်သည် ကျွန်ုပ်တို့ပြောသော ဤအေးဂျင့်ဖြစ်သည်၊ ၎င်းသည် ကမ္ဘာပေါ်ရှိအရာများကို ကြိုးစားနေပြီး အေးဂျင့်သည် ယူဆချက်တစ်ခုနှင့် စမ်းသပ်နိုင်သောကြောင့်၊ ထိုယူဆချက်။
ဤကိစ္စသည် အပြုအမူအသစ်များကို ရှာဖွေတွေ့ရှိနိုင်သောကြောင့်ဖြစ်သည်။ ဥပမာအားဖြင့်၊ အကျော်ကြားဆုံး ဥပမာများထဲမှ တစ်ခုမှာ AlphaGo၊ မှတ်တမ်းရုပ်ရှင်တွင် ၎င်းတို့ပြောနေကြသည့် move 37 ဖြစ်ပြီး၊ လူတွေက တီထွင်ဖန်တီးမှုဟု ဆိုကြသည့် အရွေ့တစ်ခုဖြစ်သည်။ အရင်က တစ်ခါမှ မမြင်ဖူးတဲ့ အရာတစ်ခု ဖြစ်ခဲ့တယ်၊ အဲဒါက ငါတို့အားလုံးကို အံ့ဩသွားခဲ့တယ်။ ဘယ်နေရာမှ မဟုတ်ပါဘူး၊ ကမ္ဘာကြီးနဲ့ ထိတွေ့ဆက်ဆံနေရုံနဲ့ အဲဒီအရာတွေကို သင်ရှာဖွေတွေ့ရှိနိုင်မှာပါ။ ကျွန်ုပ်လုပ်ဆောင်ခဲ့သည့် ပရောဂျက်များထဲမှ တစ်ခုသည် စထရာတိုစဖီးယားတွင် မြင်သာသော မိုးပျံပူဖောင်းများ ပျံသန်းခြင်းကဲ့သို့ပင် ဤစွမ်းရည်ကို သင်ရှာဖွေတွေ့ရှိနိုင်ပြီး အလွန်ဆင်တူသောအရာများကိုလည်း ကျွန်ုပ်တို့တွေ့မြင်ရပါသည်။
လူတိုင်းကို အထင်ကြီးသွားစေတဲ့ အပြုအမူတွေ ပေါ်ပေါက်လာတာကို ကျွန်တော်တို့ တွေ့ခဲ့ရပြီး အဲဒါကို ဘယ်တုန်းကမှ မတွေးခဲ့မိပေမယ့် ထက်မြက်ပါတယ်။ အားဖြည့်သင်ကြားခြင်းသည် သင်ဆက်ဆံနေခြင်းကြောင့် ဤအပြုအမူမျိုးကို ရှာဖွေတွေ့ရှိနိုင်စေရန် ထူးခြားစွာတည်ရှိသည်ဟု ကျွန်ုပ်ထင်သည်၊ တစ်နည်းအားဖြင့် အမှန်တကယ်ခက်ခဲသောအရာများထဲမှ တစ်ခုသည် အတုအယောင်များဖြစ်သည်၊ ကျွန်ုပ်လုပ်သောအရာအစား ထိုသို့ပြုပါက ဘာဖြစ်မည်နည်း၊ လုပ်ခဲ့တာလား? ဤသည်မှာ ယေဘူယျအားဖြင့် အလွန်ခက်ခဲသော ပြဿနာဖြစ်သည်၊ သို့သော် စက်သင်ယူမှုလေ့လာမှုများတွင် ဆက်တင်အများအပြားတွင် ၎င်းနှင့်ပတ်သက်၍ သင်လုပ်ဆောင်နိုင်သည့်အရာမရှိပါ။ အားဖြည့်သင်ကြားမှုတွင် သင်သည် “အဲဒါကို လုပ်ရင် ဘာဖြစ်မလဲ” နောက်တစ်ကြိမ် ဒီလိုကြုံလာရရင် လည်း ကြိုးစားကြည့်နိုင်ပါတယ်။ ဒီလို အပြန်အလှန် အကျိုးပြုတဲ့ အသွင်အပြင်ကို ကျွန်တော် အရမ်းကြိုက်တယ်လို့ ထင်ပါတယ်။
ဟုတ်ပါတယ် ကျွန်တော် ကြောင်သူတော်ဖြစ်မှာမဟုတ်ပါဘူး၊ ပါလာတဲ့ အလန်းစား application တော်တော်များများက အတော်လေး စိတ်ဝင်စားဖို့ကောင်းတယ်လို့ ကျွန်တော်ထင်ပါတယ်။ လွန်ခဲ့သောဆယ်စုနှစ်များနှင့်ဆယ်စုနှစ်များကိုပြန်သွားသလိုမျိုး၊ အားဖြည့်သင်ကြားမှု၏အစောပိုင်းနမူနာများအကြောင်းပြောသောအခါတွင်ပင်၊ ဤအရာအားလုံးသည် ကျွန်ုပ်အတွက် အလွန်ဆွဲဆောင်မှုဖြစ်စေသည်။
မင်းအကြိုက်ဆုံး သမိုင်းဝင်လျှောက်လွှာက ဘာလဲ။
အရမ်းနာမည်ကြီးတဲ့ နှစ်ယောက်ရှိတယ်၊ တစ်ခုက စတန်းဖို့ဒ်မှာ လေ့ကျင့်သင်ကြားမှုလုပ်ခဲ့တဲ့ ပျံသန်းရဟတ်ယာဉ်ဖြစ်ပြီး နောက်တစ်ခုကတော့ ကမ္ဘာ့ချန်ပီယံဖြစ်ခဲ့တဲ့ ဒီ backgammon ကစားသမားဖြစ်တဲ့ TD-Gammon လို့ ကျွန်တော်ထင်ပါတယ်။ ၎င်းသည် 90s များတွင်ပြန်ဖြစ်ခဲ့သည်၊ ထို့ကြောင့်၎င်းသည်ကျွန်ုပ်၏ PhD ကာလအတွင်းဖြစ်သည်၊ ကျွန်ုပ်သည် Gerald Tesauro နှင့် IBM တွင်အလုပ်သင်လုပ်ခဲ့ပြီး Gerald Tesauro သည် TD-Gammon ပရောဂျက်ကို ဦး ဆောင်သူဖြစ်သည်၊ ထို့ကြောင့်၎င်းသည်အလွန်မိုက်သည်။ . အားဖြည့်သင်ကြားမှု စတင်ချိန်မှာ ရယ်စရာကောင်းတာက အဲဒါက ဘာလဲဆိုတာ ကျွန်တော် လုံးလုံးသိခဲ့တာ မဟုတ်ပါဘူး။ ကျွန်တော် ဆယ်တန်းကျောင်းတက်တုန်းက ယေဘူယျလိုပဲ machine learning လုပ်ချင်တာကြောင့် ပါမောက္ခတွေရဲ့ ဝဘ်ဆိုဒ်တွေ အများကြီးကို သွားခဲ့တာ သတိရပြီး လူတိုင်းရဲ့ research ရဲ့ ဖော်ပြချက်တွေကို ဖတ်နေရင်းနဲ့ “အိုး၊ ဒါက စိတ်ဝင်စားစရာပဲ။” နယ်ပယ်ကို မသိဘဲ ပြန်တွေးကြည့်တဲ့အခါ ကျွန်တော်တို့ရဲ့ အားဖြည့်သင်ကြားမှုမှာ နာမည်ကြီး ပါမောက္ခတွေအားလုံးကို ရွေးချယ်ခဲ့ပေမယ့် သူတို့ဟာ နာမည်ကြီးတာကြောင့် မဟုတ်ဘဲ သူတို့ရဲ့ သုတေသနရဲ့ ဖော်ပြချက်တွေက ကျွန်တော့်အတွက် နှစ်သက်စရာ ဖြစ်တာကြောင့်ပါ။ "အိုး၊ ဒီ website က အရမ်းကောင်းတယ်၊ ဒီကောင်၊ ဒီကောင်၊ ဒီမိန်းမနဲ့ တွဲလုပ်ချင်တယ်" လို့ သဘောထားပြီး၊
သူတို့ကို သြဂဲနစ်နည်းနဲ့ ရှာတွေ့သလိုပါပဲ။
အတိအကျပြောရရင် ပြန်တွေးကြည့်တော့ “အို၊ ဒါတွေက ဟိုအရင်ကနဲ့ အလုပ်တွဲလုပ်ဖူးတဲ့ လူတွေပဲ” လို့ ပြောနေကြသလိုပဲ၊ ဒါမှ မဟုတ် ငါဘာလုပ်နေတယ်ဆိုတာ တကယ်မသိခင်မှာ ဖတ်နေတဲ့ စာရွက်တွေ၊ တခြားသူရဲ့ စာတမ်းမှာ ဖော်ပြချက်၊ “အိုး ဒါက ဖတ်သင့်တဲ့အရာပဲ” လို့ တသမတ်တည်း အားဖြည့်သင်ကြားမှုဆီ ပြန်ရောက်သွားခဲ့တယ်။
Google Brain တွင်ရှိစဉ်၊ သင်သည် စထရာတိုစဖီးယားဘောလုံးများကို အလိုအလျောက် လမ်းညွှန်ပြသမှုတွင် လုပ်ဆောင်ခဲ့သည်။ လက်လှမ်းမီရန်ခက်ခဲသော ဒေသများသို့ အင်တာနက်အသုံးပြုခွင့် ပေးဆောင်ခြင်းအတွက် ၎င်းသည် အဘယ်ကြောင့် ကောင်းမွန်သော ကိစ္စဖြစ်သနည်း။
ကျွန်တော်သည် ကျွမ်းကျင်သူမဟုတ်ပါ၊ ဤသည်မှာ Alphabet ၏ လုပ်ငန်းခွဲဖြစ်သည့် Loon တွင် လုပ်ဆောင်နေသော အစေးဖြစ်သည်။ ကမ္ဘာပေါ်ရှိ လူအများအပြားကို ကျွန်ုပ်တို့ အင်တာနက် ပေးဆောင်သည့် နည်းလမ်းဖြင့် ဖြတ်သန်းသွားသည့်အခါတွင်၊ သင်သည် Edmonton တွင် အင်တာနာတစ်ခု တည်ဆောက်ခြင်းကဲ့သို့ အင်တင်နာတစ်ခု တည်ဆောက်ခြင်းဖြစ်ပြီး ဤအင်တင်နာသည် သင့်အား ဒေသငါးခုသို့ အင်တာနက် ဝန်ဆောင်မှုပေးနိုင်သည် ဆိုကြပါစို့၊ အချင်းဝက် ခြောက်ကီလိုမီတာ။ နယူးယောက်မြို့လယ်တွင် အင်တာနာတစ်ခုထားလိုက်လျှင် လူသန်းပေါင်းများစွာကို ဝန်ဆောင်မှုပေးနေပြီဖြစ်သော်လည်း အမေဇုန်မိုးသစ်တောရှိ မျိုးနွယ်စုတစ်ခုအား အင်တာနက်ဝန်ဆောင်မှုပေးရန် သင်ကြိုးစားနေပြီဟု စိတ်ကူးကြည့်ပါ။ မင်းမှာ လူ 50 လောက်ရှိတယ်၊ အဲမှာ အင်တာနာတင်ရတဲ့ စီးပွားရေးစရိတ်က အဲဒီဒေသကို ဝင်ကြည့်ဖို့တောင် ပြောစရာမလိုလောက်အောင်ကို ခက်ခဲစေတယ်။
စီးပွားရေးအရပြောရလျှင် လူဦးရေကျဲပါးသော လက်လှမ်းမီရန် ခက်ခဲသောဒေသတွင် ကြီးမားသော အခြေခံအဆောက်အအုံ ရင်းနှီးမြှုပ်နှံမှုကို ပြုလုပ်ခြင်းသည် အဓိပ္ပာယ်မရှိပေ။ မိုးပျံပူဖောင်းတွေရဲ့ အယူအဆက “တကယ်မြင့်တဲ့ အင်တင်နာတစ်ခု ဆောက်နိုင်ရင် ဘယ်လိုလုပ်မလဲ။ ကီလိုမီတာ ၂၀ မြင့်တဲ့ အင်တင်နာတစ်ခု ဆောက်နိုင်ရင် ဘယ်လိုလုပ်မလဲ။” ဒီအင်တင်နာကို ဘယ်လိုတည်ဆောက်ရမလဲဆိုတာတော့ မသိပါဘူး၊ ဒါပေမယ့် မီးပုံးပျံကို အဲဒီနေရာမှာ ထားလို့ရတယ်၊ ပြီးတော့ မီးပုံးပျံက အချင်းဝက် ပိုကြီးတဲ့ ၁၀ ဆ ပိုကြီးတဲ့ နေရာ ဒါမှမဟုတ် အချင်းဝက်အကြောင်း ပြောရင် အဲဒါပါပဲ။ အင်တာနက် ဧရိယာ အဆ 20 ပိုကြီးပါတယ်။ အဲဒါကို သင်အဲဒီမှာထားရင် တောလယ် ဒါမှမဟုတ် တောထဲမှာဆိုပါစို့၊ ဒါမှမဟုတ်ရင် သူတို့တစ်ခုစီအတွက် အင်တင်နာတစ်ခုလိုမယ့် မျိုးနွယ်စုပေါင်းများစွာကို မင်းဝတ်နိုင်မယ်။
လက်လှမ်းမီရန်ခက်ခဲသော ဤဒေသများသို့ အင်တာနက်အသုံးပြုခွင့်ပေးခြင်းသည် တွန်းအားပေးမှုတစ်ခုဖြစ်သည်။ Loon ၏ဆောင်ပုဒ်သည် လာမည့်သန်းပေါင်းများစွာသောလူများအတွက် အင်တာနက်ပေးဆောင်ရန်မဟုတ်ကြောင်း၊ ၎င်းမှာ နောက်ဆုံးသန်းပေါင်းများစွာသောလူများအတွက် အင်တာနက်ပေးဆောင်ရန်ဖြစ်သည်၊ ဆိုလိုသည်မှာ အလွန်ရည်မှန်းချက်ကြီးသောသဘောဖြစ်သည်။ ၎င်းသည် နောက်ဘီလီယံမဟုတ်သော်လည်း လက်လှမ်းမီရန် အခက်ခဲဆုံးလူ ဘီလီယံနှင့်တူသည်။
သင်ဖြေရှင်းရန်ကြိုးစားနေသည့် လမ်းကြောင်းပြပြဿနာများကား အဘယ်နည်း။
မီးပုံးပျံများ အလုပ်လုပ်ပုံမှာ လေပူဖောင်းများကို လူများ သွားလာသည့်နည်းကဲ့သို့ပင်၊ သင် အပေါ် သို့မဟုတ် အောက်သို့ ဦးတည်ကာ တိကျသော ဦးတည်ရာသို့ မှုတ်ထုတ်နေသော လေစီးကြောင်းကို သင်တွေ့ရှိပြီးနောက် ထိုလေကို စီးခြင်း၊ “အိုး၊ ငါအဲဒီကို မသွားချင်တော့ဘူး” လို့ ပြောလိုက်တာနဲ့ မင်းတက်သွား ဒါမှမဟုတ် ဆင်းသွားလိုက်နဲ့ တခြားတစ်ခုကို ရှာတွေ့သွားသလို ဖြစ်နိုင်ပါတယ်။ ဤအရာသည် ထိုပူဖောင်းများနှင့်လည်း လုပ်ဆောင်သည်။ ၎င်းသည် လေပူပူဖောင်းမဟုတ်ပါ၊ ၎င်းသည် စထရာတိုစဖီးယားတွင် ပျံသန်းနေသည့် ပုံသေထုထည်ရှိသော ပူဖောင်းတစ်ခုဖြစ်သည်။
ရေကြောင်းပြမှုရှုထောင့်မှ လုပ်ဆောင်နိုင်သမျှသည် အတက်၊အဆင်း၊ သို့မဟုတ် တည်ရှိနေသည့်နေရာ၌နေရန်ဖြစ်ပြီး၊ ထို့နောက် ဖြစ်ချင်ရာဖြစ်ရာသို့ လွှတ်လိုက်မည့် လေများကို ရှာဖွေရမည်ဖြစ်သည်။ ထိုသဘောအရ၊ ကျွန်ုပ်တို့သည် ဤနည်းအတိုင်း သွားလာရမည်ဖြစ်ပြီး၊ အမှန်တကယ်တွင် စိန်ခေါ်မှုများစွာရှိသည်။ ပထမတစ်ခုကတော့ ဖော်မြူလာအကြောင်း အရင်ပြောပါ၊ သင်က ဒေသတစ်ခုမှာနေချင်တယ်၊ အင်တာနက်ကို ဝန်ဆောင်မှုပေးချင်ပေမယ့် ဒီပူဖောင်းတွေက နေရောင်ခြည်စွမ်းအင်သုံး၊ သင်ပါဝါကို ထိန်းသိမ်းထားဖို့ သေချာစေချင်ပါတယ်။ ငါဖြစ်ချင်တဲ့ဒေသမှာ ရောက်နေရုံသာမကဘဲ ပါဝါကို ထိရောက်စွာ အသုံးချနိုင်စေဖို့အတွက် ဒီ Multi- Objective Optimization ပြဿနာ ရှိပါတယ်၊ ဒါကြောင့် ဒါက ပထမဆုံးပါပဲ။
ဒါက ပြဿနာက သူ့ဟာသူပဲ၊ ဒါပေမယ့် အသေးစိတ်ကို ကြည့်လိုက်တော့ လေတိုက်ပုံက ဘယ်လိုလဲဆိုတာ မင်းမသိဘူး၊ မင်းရောက်နေတဲ့နေရာက လေတိုက်ပုံက ဘယ်လိုလဲဆိုတာ မင်းသိပေမယ့် မီတာ 500 အကွာကလေတွေက ဘယ်လိုပုံစံလဲဆိုတာ မင်းမသိဘူး မင်းအထက်မှာ။ သင့်တွင် AI တစ်စိတ်တစ်ပိုင်းကြည့်ရှုနိုင်စွမ်းရှိသောကြောင့် သင့်တွင် ထိုဒေတာမရှိပါ။ သင့်တွင် ကြိုတင်ခန့်မှန်းချက်များ ရှိနိုင်ပြီး ၎င်းနှင့်ပတ်သက်သည့် စာတမ်းများပါရှိသော်လည်း ခန့်မှန်းချက်များသည် မကြာခဏ ၉၀ ဒီဂရီအထိ မှားယွင်းနိုင်သည်။ ဤတစ်စိတ်တစ်ပိုင်းကြည့်ရှုနိုင်စွမ်းကို သင်ကိုင်တွယ်ပုံနှင့်ပတ်သက်၍ အလွန်ခက်ခဲသောပြဿနာတစ်ခုဖြစ်ပါသည်၊ ကျွန်ုပ်တို့သည် ရာနှင့်ချီသောလေ၏အလွှာများအကြောင်းပြောနေသောကြောင့် ၎င်းမှာ လေတိုက်နှုန်းကိုထည့်သွင်းစဉ်းစားရန် လိုအပ်ပါသည်။ လေ၏၊ ကျွန်ုပ်တို့ စံနမူနာပြုပုံ၊ မသေချာမရေရာမှု ခန့်မှန်းချက်အပေါ် ကျွန်ုပ်တို့ မည်မျှယုံကြည်မှုရှိသနည်း။
ဒါက ပြဿနာကို တွက်ဆရခက်စေတယ်။ ဒီပရောဂျက်မှာ ကျွန်တော်တို့ အခက်ခဲဆုံး ရုန်းကန်ခဲ့ရတဲ့ အရာတွေထဲက တစ်ခုကတော့ အရာအားလုံးပြီးမြောက်ပြီးတဲ့ နောက်မှာ ဒီပြဿနာ ဘယ်လောက်ခက်ခဲသလဲဆိုတာကို ဘယ်လိုဖော်ပြရမလဲဆိုတာပါပဲ။ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် ဖန်သားပြင်ပေါ်တွင် သင်မြင်ရသော အရာမဟုတ်သောကြောင့်၊ ၎င်းသည် ရာနှင့်ချီသော အတိုင်းအတာနှင့် လေတိုက်မှုများကြောင့်၊ ၎င်းလေကို ကျွန်ုပ်၏ နောက်ဆုံးအကြိမ် တိုင်းတာမှုမှာ မည်သည့်အချိန်ကမှ ၎င်းကို ပတ်ထားရန် ခက်ခဲသောကြောင့်၊ တစ်နည်းအားဖြင့် စွမ်းအား၊ နေ့အချိန်၊ သင်ဖြစ်ချင်တဲ့ နေရာ၊ အဲဒါတွေ အများကြီး တွေးနေချိန်မှာ အားလုံးကို မျိုချရပါမယ်။
machine learning ဆိုတာ ဘာလဲ ? လေတိုက်ပုံများနှင့် အပူချိန် ရိုးရှင်းပါသလား။
၎င်းလုပ်ဆောင်ပုံမှာ ကျွန်ုပ်တို့တွင် စက်သင်ယူမှုစနစ်ဖြစ်သည့် လေ၏ပုံစံတစ်ခုရှိသော်လည်း အားဖြည့်သင်ကြားမှုမဟုတ်ပေ။ သင့်တွင် မတူညီသော အမြင့်ပေအမျိုးမျိုးနှင့် ပတ်သက်သော သမိုင်းဆိုင်ရာ အချက်အလက် ရှိသည်၊ ထို့ကြောင့် ၎င်းအပေါ်တွင် စက်သင်ယူမှု ပုံစံတစ်ခုကို ကျွန်ုပ်တို့ တည်ဆောက်ခဲ့သည်။ "ငါတို့" လို့ ပြောတဲ့အခါ၊ ငါက ဒါက မပါဝင်ခဲ့ဘူး၊ ဒါက Google Brain မပါဝင်ခင်မှာ Loon လုပ်ခဲ့တဲ့ အရာပါ။ ၎င်းတို့တွင် မတူညီသော အမြင့်ပေများထက် ကျော်လွန်သော လေတိုက်ပုံစံ ပုံစံရှိပါသည်၊ ထို့ကြောင့် မတူညီသော အမြင့်များကြားတွင် သင်မည်ကဲ့သို့ ပေါင်းစပ်လုပ်ဆောင်မည်နည်း။
“လွန်ခဲ့တဲ့ နှစ်နှစ်လောက်က လေတိုက်ပုံရတယ်၊ ဒါပေမယ့် ၁၀ မီတာအထက်မှာ ဘယ်လိုမြင်လဲတော့ မသိဘူး” ဟု ပြောနိုင်သည်။ အဲဒီနောက်မှာ Gaussian လုပ်ငန်းစဉ်ကို သင်တင်ထားတယ်၊ ဒါကြောင့် သူတို့မှာ မော်ဒယ်လ်တစ်ခုရဲ့ ဘယ်လောက်ကောင်းလဲဆိုတာကို စာရွက်ပေါ်မှာ ရေးထားတယ်။ ကျွန်ုပ်တို့ပြုလုပ်ခဲ့သည့်နည်းလမ်းမှာ အားဖြည့်သင်ကြားမှု ရှုထောင့်မှ စတင်ခဲ့ခြင်းဖြစ်ပြီး၊ ကျွန်ုပ်တို့တွင် အလွန်ကောင်းမွန်သော မီးပုံးပျံ၏ ဒိုင်းနမစ်ပုံတူစက်တစ်ခုရှိပြီး၊ ထို့နောက်တွင် ကျွန်ုပ်တို့တွင် ဤလေတိုက်ခြင်း simulator လည်းရှိခဲ့ပါသည်။ အဲဒီအခါမှာ ငါတို့လုပ်ခဲ့တာက ငါတို့က အချိန်ကိုပြန်ပြီး "ငါ 10 လို့ ဟန်ဆောင်ရအောင်" လို့ပြောခဲ့တယ်။ ကျွန်ုပ်တို့တွင် 2010 ခုနှစ်တွင် လေတိုက်ပုံသည် ကမ္ဘာတစ်ဝှမ်းလုံးတွင်ရှိသော်လည်း အလွန်ကြမ်းသည်၊ သို့သော်၊ ထို့နောက်တွင် ဤစက်သင်ယူမှုပုံစံ၊ ဤ Gaussian လုပ်ငန်းစဉ်ကို အပေါ်မှထပ်ထည့်နိုင်သည်၊ ထို့ကြောင့် ကျွန်ုပ်တို့သည် အမှန်တကယ်လေတိုက်နှုန်းတိုင်းတာမှုများကို ရယူပြီးနောက် မိတ်ဆက်ပေးနိုင်သည် ဆူညံသံ၊ ငါတို့လည်း အရာခပ်သိမ်းကို လုပ်နိုင်တယ်။
နောက်ဆုံးတွင်၊ ကျွန်ုပ်တို့တွင် မော်ဒယ်၏ ဒိုင်းနမစ်များ ရှိပြီး ကျွန်ုပ်တို့တွင် လေများ ရှိပြီး ဤနေရာသည် ကျွန်ုပ်တို့ ရှိနေသည်ဟု ဟန်ဆောင်ကာ အချိန်သို့ ပြန်သွားကာ အမှန်တကယ်တွင် Simulator တစ်ခု ရှိခဲ့ပါသည်။
ခေတ်က ဒစ်ဂျစ်တယ် အမွှာတစ်ခုလိုပါပဲ။
အတိအကျ၊ ကျွန်ုပ်တို့သည် ပစ်မှတ်ပေါ်တွင် တည်ရှိနေပြီး စွမ်းအားအနည်းငယ် ထိရောက်သည့် ဆုပေးသည့် လုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့ ဒီဇိုင်းထုတ်ထားပြီး၊ သို့သော် ကျွန်ုပ်တို့သည် ဤကမ္ဘာနှင့် ထိတွေ့ဆက်ဆံခြင်းဖြင့် ကျွန်ုပ်တို့ မီးပုံးပျံလေ့လာနိုင်သော ဤဆုလာဘ်လုပ်ဆောင်ချက်ကို ဒီဇိုင်းထုတ်ထားသော်လည်း ကျွန်ုပ်တို့မရှိသောကြောင့် ကမ္ဘာကြီးနှင့်သာ အပြန်အလှန် အကျိုးပြုနိုင်သည် ရာသီဥတုနှင့်လေကို စံနမူနာယူနည်းကို သိသော်လည်း ကျွန်ုပ်တို့သည် အတိတ်တွင်ရှိနေသည်ဟု ဟန်ဆောင်ကာ သွားလာရပုံကို လေ့လာနိုင်ခဲ့သည်။ ယေဘူယျအားဖြင့် ငါတက်၊ အောက်၊ ဒါမှမဟုတ် နေမှာလား။ ငါ့ပတ်ဝန်းကျင်မှာ ဖြစ်ပျက်နေသမျှ အရာအားလုံးကို ဖြည့်ဆည်းပေးရင်း တစ်နေ့တာရဲ့ အဆုံးမှာ အဓိကအချက်က အဲဒီဒေသကို အင်တာနက်ဝန်ဆောင်မှုပေးချင်နေတာပဲ ။ အဲဒါက တစ်နည်းအားဖြင့် ပြဿနာပဲ။
ဂိမ်းဆက်တင်နှင့် လက်တွေ့ကမ္ဘာတွင် အားဖြည့်သင်ကြားမှုကို အသုံးချရာတွင် စိန်ခေါ်မှုအချို့မှာ အဘယ်နည်း။
စိန်ခေါ်မှု နှစ်ခု ရှိတယ်လို့ ထင်ပါတယ်။ ဂိမ်းတွေနဲ့ တကယ့်ကမ္ဘာအကြောင်းလို့တောင် မထင်ထားဘူး၊ အခြေခံ သုတေသနနဲ့ အသုံးချသုတေသနတွေအကြောင်းပါ။ သင်သည် ဂိမ်းများတွင် အသုံးချသုတေသနပြုနိုင်သောကြောင့်၊ သင်သည် လူသန်းပေါင်းများစွာထံ ပို့ဆောင်မည့် ဂိမ်းတွင် နောက်မော်ဒယ်ကို အသုံးချရန် ကြိုးစားနေသည်ဟု ဆိုကြပါစို့၊ သို့သော် အဓိကစိန်ခေါ်မှုများထဲမှတစ်ခုမှာ အင်ဂျင်နီယာဖြစ်သည်ဟု ကျွန်တော်ထင်ပါသည်။ သင်အလုပ်လုပ်နေလျှင် ဂိမ်းများကို သုတေသနပတ်ဝန်းကျင်အဖြစ် သင်အသုံးပြုလေ့ရှိသောကြောင့် ၎င်းတို့သည် ကျွန်ုပ်တို့စိတ်ဝင်စားသည့် ဂုဏ်သတ္တိများစွာကို ဖမ်းယူနိုင်သော်လည်း ၎င်းတို့ကို ပိုမိုတိကျစွာသတ်မှတ်ထားသော ကန့်သတ်ချက်များဖြင့် ဖမ်းယူနိုင်သောကြောင့်ဖြစ်သည်။ ထို့အတွက်ကြောင့် ကျွန်ုပ်တို့သည် သုတေသနပြုနိုင်သည်၊ သင်ယူမှုကို အတည်ပြုနိုင်သည်၊ သို့သော် ၎င်းသည် ပို၍လုံခြုံသောပုံစံတစ်ခုဖြစ်သည်။ “ဘေးကင်းသည်” သည် မှန်ကန်သောစကားလုံးမဟုတ်သော်လည်း ကျွန်ုပ်တို့ပို၍နားလည်နိုင်သော ကန့်သတ်ချက်တစ်ခုဖြစ်သည်။
သုတေသနက သေချာပေါက် ကွဲပြားနေဖို့ လိုတာ မဟုတ်ဘူး၊ ဒါပေမယ့် တကယ့်ကမ္ဘာမှာ သူတို့ဟာ စိန်ခေါ်မှုတွေ အများကြီး ရှိလာတယ်လို့ ကျွန်တော်ထင်ပါတယ်။ ဖြေရှင်းချက်သည် ဘေးကင်းကြောင်း သေချာစေရသကဲ့သို့ လုံခြုံရေးဆိုင်ရာ ကန့်သတ်ချက်များကဲ့သို့ စနစ်များကို ဖြန့်ကျက်ခြင်းနှင့် ပတ်သက်ပါသည်။ ဂိမ်းဆော့နေတဲ့အချိန်မှာ အဲဒါကို သေချာပေါက်မတွေးဘူး။ မီးပုံးပျံသည် မိုက်မဲမှုတစ်ခုခုကို မလုပ်မိစေရန်၊ သို့မဟုတ် အားဖြည့်သင်ကြားရေး အေးဂျင့်သည် ကျွန်ုပ်တို့ ကြိုမမြင်ခဲ့သော အရာတစ်ခုကို မသင်ယူခဲ့ဘဲ၊ ၎င်းသည် ဆိုးရွားသော အကျိုးဆက်များ ဖြစ်လာနိုင်ကြောင်း သင်မည်ကဲ့သို့ သေချာစေသနည်း။ ဒါက ကျွန်တော်တို့ ကြုံတွေ့ခဲ့ရတဲ့ အကြီးမားဆုံး စိုးရိမ်မှုတွေထဲက တစ်ခုပါ၊ လုံခြုံရေးပါ။ ဟုတ်ပါတယ်၊ သင်က ဂိမ်းဆော့နေတယ်ဆိုရင် အဲဒါကို ကျွန်တော်တို့ သိပ်စိတ်မပူပါဘူး၊ အဆိုးဆုံးကတော့ သင်ဂိမ်းရှုံးသွားတာပါပဲ။
ဒါက စိန်ခေါ်မှုပါ၊ နောက်တစ်ခုက အင်ဂျင်နီယာအဖွဲ့ပါ။ သင်သည် ၎င်းကို သက်သေပြလိုသောကြောင့် ကွန်ပြူတာဂိမ်းတစ်ခုနှင့် အပြန်အလှန်ဆက်သွယ်ရန် သင်ကိုယ်တိုင် သုတေသနပညာရှင်တစ်ဦးဖြစ်နေပါက ကောင်းပါတယ်၊ သို့သော် ယခုအခါတွင် သင်ကိုင်တွယ်ဖြေရှင်းရမည့် ထုတ်ကုန်တစ်ခုလုံး၏ အင်ဂျင်နီယာအစုအဝေးတစ်ခု ရှိနေပြီဖြစ်သည်။ သူတို့က မင်းကို ရူးသွပ်သွားစေပြီး မင်းလုပ်ချင်တာမှန်သမျှ လုပ်ခိုင်းတာမဟုတ်ဘူး၊ ဒါကြောင့် ဒီနောက်ထပ်အပိုင်းကိုလည်း မင်းပိုပြီးရင်းနှီးလာမယ်လို့ ငါထင်ပါတယ်။ အဖွဲ့၏ အရွယ်အစားသည်လည်း လွန်စွာကွာခြားနိုင်သည်ဟု ကျွန်တော်ထင်သည်၊ ထိုအချိန်က Loon ကဲ့သို့၊ လူရာနှင့်ချီမဟုတ်ပါက ဒါဇင်နှင့်ချီ၍ ရှိသည်။ ကျွန်ုပ်တို့သည် ၎င်းတို့အနည်းစုနှင့် ထိတွေ့ဆက်ဆံနေသေးသော်လည်း၊ ထို့နောက်တွင် လေယာဉ်ဝန်ထမ်းများနှင့် အမှန်တကယ် စကားပြောနိုင်မည့် ထိန်းချုပ်ခန်းတစ်ခုရှိသည်။
အဲဒါနဲ့ ပတ်သက်ပြီး ကျနော်တို့ မသိရပေမယ့် နောက်ပိုင်းမှာ မင်းမှာ သက်ဆိုင်သူတွေ အများကြီး ရှိသေးတယ်။ ကွာခြားချက်ကတော့ တစ်ခု၊ အင်ဂျင်နီယာ၊ ဘေးကင်းရေးစသဖြင့်ပေါ့၊ အခြားတစ်ခုကတော့ မင်းရဲ့ယူဆချက်တွေကို မဆုပ်ကိုင်ထားဘူးလို့ ငါထင်ပါတယ်။ ဤ algorithms များသည် လက်တွေ့ကမ္ဘာသို့ရောက်သွားသောအခါတွင် ၎င်းတို့မကိုင်စွဲဘဲ၊ ထို့နောက် ၎င်းကို မည်သို့ကိုင်တွယ်ရမည်ကို အဖြေရှာရန် သင်ဤ algorithms များအပေါ်အခြေခံသည်ဟု သင်ယူဆချက်များစွာရှိသည်။ ကမ္ဘာကြီးက ဂိမ်းတွေမှာ သင်လုပ်မယ့် ဘယ် application နဲ့မှ အဆင်ပြေမှာ မဟုတ်ပါဘူး၊ အဓိကအားဖြင့် သင်ကိုယ်တိုင် လုပ်နေတဲ့ အလွန်တင်းကျပ်တဲ့ ဂိမ်းတစ်ခုအကြောင်း ပြောနေမယ်ဆိုရင် အဓိကပါပဲ။
ငါတကယ်ချစ်ရတဲ့ ဥပမာတစ်ခုက သူတို့က ငါတို့ကို အရာအားလုံး ပေးခဲ့တယ်၊ "ကောင်းပြီ၊ အခု ဒီပြဿနာကို ဖြေရှင်းဖို့ ဒီအရာတချို့ကို စမ်းကြည့်နိုင်ပြီ" ၊ ပြီးတော့ ငါတို့ အဲဒါကို လုပ်ပြီး တစ်ပတ်လောက်ကြာတော့၊ နှစ်ပတ်အကြာတွင်၊ ကျွန်ုပ်တို့သည် "မင်းရဲ့ပြဿနာကို ငါတို့ဖြေရှင်းပြီးပြီ" ကဲ့သို့သော Loon အင်ဂျင်နီယာများထံ ပြန်ရောက်လာသည်။ ငါတို့က တကယ်ကို ထက်မြက်တယ်၊ သူတို့က ငါတို့ကို ပြုံးပြပြီး သူတို့မျက်နှာကို ကြည့်ပြီး "မင်း မဟုတ်ဘူး၊ မင်း ဒီပြဿနာကို မဖြေရှင်းနိုင်မှန်း ငါတို့သိတယ်၊ ခက်လွန်းတယ်" "မဟုတ်ဘူး၊ ငါတို့လုပ်ခဲ့တယ်၊ မင်းရဲ့ပြဿနာကို ငါတို့ လုံးဝဖြေရှင်းခဲ့တယ်၊ ကြည့်ပါ၊ ကျွန်ုပ်တို့တွင် 100% တိကျမှုရှိသည်။" “ဒါက လုံးဝမဖြစ်နိုင်ဘူး၊ တစ်ခါတလေ မင်းကို ခွင့်မပြုတဲ့လေတွေ မရှိဘူး…” “မဟုတ်ဘူး၊ ဘာဖြစ်နေတာလဲ ကြည့်ရအောင်။”
ဘာတွေဖြစ်နေတာလဲ ဆိုတာကို အဖြေရှာခဲ့ကြတယ်။ မီးပုံးပျံ၊ အားဖြည့်သင်ကြားရေး အယ်လဂိုရီသမ်သည် ဒေသ၏ အလယ်ဗဟိုသို့ သွားရန် သင်ယူခဲ့ပြီး၊ ထို့နောက် တက်လိုက်၊ တက်လိုက်၊ ထို့နောက် မီးပုံးပျံကြီး ထွက်ပေါ်လာကာ မီးပုံးပျံသည် ကျဆင်းသွားကာ ၎င်းသည် ဒေသအတွင်း၌ ထာဝရတည်ရှိနေခဲ့သည်။ သူတို့က “ဒါက ငါတို့လိုချင်တာ မဟုတ်ဘူး” လို့ ပြောနေကြသလို၊ ဒါပေမဲ့ ဒါက သရုပ်ဖော်ခြင်းပဲ၊ ဒါပေမယ့် ငါတို့က “အိုး ဟုတ်ပြီ၊ အဲဒါကို ဘယ်လိုပြင်ရမလဲ” သူတို့ပြောသလိုပါပဲ၊ "အိုး၊ ဟုတ်ပါတယ်၊ တချို့အရာတွေရှိပါတယ်၊ ဒါပေမယ့် တစ်ခုက၊ မီးပုံးပျံဟာ ပေါက်ကွဲမယ့်အဆင့်ထက် မတက်နိုင်ဘူးဆိုတာ သေချာပါတယ်။"
လက်တွေ့ကမ္ဘာရှိ ဤကန့်သတ်ချက်များ၊ သင့်ဖြေရှင်းချက်သည် အခြားအရာများနှင့် အမှန်တကယ် တုံ့ပြန်ပုံ၏ ဤရှုထောင့်များ၊ သင်သည် ဂိမ်းများပေါ်တွင် အားဖြည့်သင်ကြားရေး သုတေသီတစ်ဦးသာ ဖြစ်သောအခါ ၎င်းကို သင်အမှန်တကယ် ကမ္ဘာသို့ ရောက်သွားသောအခါတွင် မေ့ထားရန် လွယ်ကူသည်။ "အိုး စောင့်ပါ၊ ဒီအရာတွေက အကျိုးဆက်တွေရှိတယ်၊ အဲဒါကို ငါသတိထားရမယ်။" ဒါက အဓိကအခက်အခဲတစ်ခုလို့ ကျွန်တော်ထင်ပါတယ်။
နောက်တစ်ခုက ဒီစမ်းသပ်မှုတွေရဲ့ သံသရာဟာ တကယ်ကို ရှည်လျားတယ်လို့ ကျွန်တော်ထင်ပါတယ်။ အဆိုးဆုံးမှာ၊ တစ်ပတ်အကြာတွင် ကျွန်ုပ်သည် ရလဒ်များ ထွက်ပေါ်လာသော်လည်း၊ အကယ်၍ ကျွန်ုပ်သည် စထရာတိုစဖီးယားတွင် ပူဖောင်းများ အမှန်တကယ် ပျံသန်းရပါက၊ ကျွန်ုပ်တို့တွင် ကျွန်ုပ်၏ စကားပြောဆိုမှုကို အသုံးပြုလိုသော ဤအသုံးအနှုန်းကို ကျွန်ုပ်တို့တွင် ရှိသည်၊ အကြောင်းမှာ နောက်ဆုံးတွင် ကျွန်ုပ်တို့သည် စထရာတိုစဖီးယားကို စမ်းသပ်နေသကဲ့သို့ ဖြစ်နေသောကြောင့်၊ ဖြေရှင်းချက်နှင့် ကျွန်ုပ်တို့သည် ၎င်းကို ယုံကြည်စိတ်ချသောကြောင့် ယခုအခါ ၎င်းသည် အမှန်တကယ် ကိန်းဂဏန်းအရ ပိုကောင်းကြောင်း သေချာစေလိုပါသည်။ ငါတို့မှာ ပူဖောင်း 13 လုံးရတယ်ထင်တယ်၊ ပစိဖိတ်သမုဒ္ဒရာထဲမှာ တလကျော်ကြာအောင် ပျံသန်းခဲ့တယ်၊ ဘာဖြစ်လို့လဲဆိုတော့ ငါတို့ရလာတဲ့အရာအားလုံးက တကယ်ပိုကောင်းတယ်ဆိုတာကို သက်သေပြဖို့က ဘယ်လောက်ကြာနေပြီလဲဆိုတာကို သက်သေပြဖို့တောင် အချိန်ယူရတယ်။ အချိန်အတိုင်းအတာက ပိုကွာခြားတဲ့အတွက်ကြောင့် ပစ္စည်းတွေကို စမ်းကြည့်ဖို့ အခွင့်အလမ်းအများကြီး မရရှိပါဘူး။
ဂိမ်းများနှင့် မတူဘဲ၊ တစ်ပြိုင်နက်တည်း လုပ်ဆောင်နေသည့် တူညီသောဂိမ်းသည် ထပ်တလဲလဲ အကြိမ်တစ်သန်းမျှ မရှိပါ။
အင်း။ Simulator ကို အသုံးချနေတာကြောင့် လေ့ကျင့်ရေးမှာ ကျွန်တော်တို့မှာ ရှိတယ်၊ ဒါပေမဲ့ Simulator က မင်းရှိမယ့်ဂိမ်းတွေထက် ပိုနှေးကွေးပေမယ့် အင်ဂျင်နီယာပညာနဲ့ ကိုင်တွယ်ဖြေရှင်းနိုင်ခဲ့တယ်။ လက်တွေ့ကမ္ဘာမှာ လုပ်တဲ့အခါ မတူပါဘူး။
ဒီနေ့ သင်လုပ်ဆောင်နေတဲ့ သုတေသနက ဘာလဲ။
အခုကျွန်တော်က အယ်လ်ဘာတာတက္ကသိုလ်မှာ ရှိပြီး ကျောင်းသားတွေ အများကြီးရှိတဲ့ ဒီမှာ သုတေသနအဖွဲ့ရှိတယ်။ ကျွန်ုပ်၏ သုတေသနပြုချက်သည် အဓိပ္ပာယ်အားဖြင့် များစွာ ကွဲပြားသည်၊ အကြောင်းမှာ ကျွန်ုပ်၏ ကျောင်းသားများက ကျွန်ုပ်အား ဤအရာကို လုပ်ဆောင်ရန် တတ်နိုင်သောကြောင့် ဖြစ်သည်။ အထူးစိတ်လှုပ်ရှားမိသော အရာတစ်ခုမှာ စဉ်ဆက်မပြတ် သင်ယူခြင်း၏ သဘောတရားဖြစ်သည်။ ယေဘူယျအားဖြင့် machine learning အကြောင်းပြောတဲ့အခါတိုင်း၊ Simulator ကိုသုံးပြီး၊ dataset ကိုအသုံးပြုပြီး data တွေကို processing လုပ်မလား၊ စက်ကိုလေ့လာဖို့၊ သင်ယူမှုပုံစံ၊ ပြီးတော့ အဲဒီပုံစံကို အသုံးချပြီး အဆင်ပြေမယ်လို့ မျှော်လင့်ပါတယ်၊ ဒါကောင်းပါတယ်။ အကြိမ်ပေါင်းများစွာ၊ ပြီးပြည့်စုံတဲ့အကြိမ်တွေ အများကြီးရှိပေမယ့် တစ်ခါတလေ ပြဿနာတွေက တကယ့်ကမ္ဘာကြီးက မော်ဒယ်တစ်ယောက်ကို မျှော်လင့်ဖို့ အရမ်းရှုပ်ထွေးလွန်းတာကြောင့် တခါတရံမှာ ပြသနာတွေ မကြီးပါဘူး၊ အမှန်တကယ်တော့ သင်လိုချင်သမျှ၊ ကမ္ဘာပေါ်ရှိ ရှုပ်ထွေးမှုတွေအားလုံးကို ပေါင်းစပ်နိုင်တာမို့ လိုက်လျောညီထွေဖြစ်အောင်နေရပါမယ်။
ဥပမာအားဖြင့်၊ အယ်လ်ဘာတာတက္ကသိုလ်တွင် ကျွန်ုပ်ပါဝင်သည့် ပရောဂျက်များထဲမှ တစ်ခုသည် ရေသန့်စင်သည့်စက်ရုံဖြစ်သည်။ အခြေခံအားဖြင့် ၎င်းသည် ဆုံးဖြတ်ချက်ချသည့်လုပ်ငန်းစဉ်တွင် အခြားလူသားများကို ပံ့ပိုးပေးနိုင်သည့် အားဖြည့်သင်ယူမှု algorithms များကို မည်သို့လုပ်ဆောင်နိုင်သနည်း၊ သို့မဟုတ် ရေသန့်စင်မှုအတွက် ၎င်းကို အလိုအလျောက် မည်သို့လုပ်ဆောင်ရမည်ကို အခြေခံအားဖြင့် ကျွန်ုပ်တို့ မည်သို့လုပ်ဆောင်ရမည်နည်း။ ကျွန်ုပ်တို့တွင် ဒေတာရှိသည်၊ ဒေတာကို ကျွန်ုပ်တို့မြင်နိုင်ပြီး တစ်ခါတစ်ရံတွင် ရေ၏အရည်အသွေးသည် နာရီပိုင်းအတွင်း ပြောင်းလဲသွားတတ်သောကြောင့်၊ "ယခင်နေ့မှစ၍ ကျွန်ုပ်၏ machine learning မော်ဒယ်ကို နေ့တိုင်း လေ့ကျင့်ရမည်ဖြစ်ပြီး၊ မင်းရဲ့တစ်နေ့တာရဲ့နာရီပိုင်းအတွင်းမှာပဲ အသုံးချသွားတော့မှာပါ” ဒေတာပျံ့လွင့်နေသောကြောင့် ၎င်းမော်ဒယ်သည် အကျုံးမဝင်တော့ပါ။ ဒီအရာတွေကို စံနမူနာယူဖို့က မင်းအတွက် တကယ်ကို ခဲယဉ်းတယ် ဘာလို့လဲဆိုတော့ အဲဒါက ရေတက်နေတဲ့ တောမီး ဒါမှမဟုတ် ဆီးနှင်းတွေ အရည်ပျော်နေပြီမို့လို့ ဒီအရာတွေကို လုပ်နိုင်ရင် တစ်ကမ္ဘာလုံးကို စံနမူနာယူရမှာပေါ့။
ဒါဘယ်သူမှမလုပ်ဘူး၊ ငါတို့ကလူလိုမလုပ်ဘူး၊ ဒါဆိုငါတို့ဘာလုပ်မလဲ။ လိုက်လျောညီထွေဖြစ်အောင်၊ ဆက်ပြီးလေ့လာနေပါတယ်၊ "အိုး၊ ငါလုပ်နေတဲ့အရာက အလုပ်မဖြစ်တော့ဘူး၊ ဒါကြောင့် ငါလည်း တခြားတစ်ခုခုလုပ်ဖို့ သင်ယူနိုင်တယ်" အဆက်မပြတ် ထာဝရ သင်ယူနေဖို့ လိုအပ်သော အဓိကအားဖြင့် တကယ့်ကမ္ဘာက စာပေတွေ အများကြီးရှိနေတယ်လို့ ကျွန်တော်ထင်ပါတယ်၊၊ ဒါက စက်သင်ယူခြင်းနဲ့ ပတ်သက်ပြီး ပြောဆိုတဲ့ စံနည်းလမ်းတော့ မဟုတ်ပါဘူး။ မကြာခဏဆိုသလို ကျွန်တော်ပြောနေတာက "ကျွန်တော်က တွက်ချက်မှု အကြီးကြီးတစ်ခုလုပ်မယ်၊ မော်ဒယ်တစ်ခုကို ဖြန့်မယ်" လို့ ပြောပြီး မော်ဒယ်တစ်ခုကို အသုံးချပြီး တွက်ချက်မှုတွေ လုပ်နေချိန်မှာ မော်ဒယ်ကို အသုံးချနိုင်လို့ ဖြစ်နိုင်တယ်။ ရက်သတ္တပတ်နှစ်ပတ်ကြာသော် တစ်ခါတစ်ရံ ထိုအရာများ၏ အချိန်အတိုင်းအတာသည် အလုပ်မဖြစ်ပေ။
မေးခွန်းက "ကျွန်ုပ်တို့ ပိုကောင်းလာပြီး လိုက်လျောညီထွေဖြစ်အောင် ဘယ်လို စဉ်ဆက်မပြတ် သင်ယူနိုင်မှာလဲ" ဒါက တကယ်ခက်တယ်။ ကျွန်ုပ်တို့တွင် ဤအကြောင်း စာတမ်းနှစ်စောင် ရှိပြီး၊ ကျွန်ုပ်တို့၏ လက်ရှိ စက်ယန္တရားသည် ယင်းကို မလုပ်ဆောင်နိုင်သကဲ့သို့၊ နယ်ပယ်တွင်ရှိသော ရွှေစံနှုန်းဖြစ်သည့် ဖြေရှင်းနည်းများစွာကဲ့သို့၊ သင့်တွင် တစ်ခုခုရှိလျှင် ရပ်တန့်နေမည့်အစား ဆက်လက်လေ့လာပါ။ အသုံးချလိုက်၊ မြန်မြန်ဆန်ဆန် ဖြစ်သွားတယ်။ ဒါက ကျွန်တော် တကယ်ကို စိတ်လှုပ်ရှားမိတဲ့ အရာတွေထဲက တစ်ခုပါ၊ အခု ကျွန်တော် ထင်တာတော့ အောင်မြင်တဲ့ အရာတွေ အများကြီး လုပ်ပြီး၊ ပုံသေ ပုံစံတွေကို အသုံးချပြီး သုတေသန ပညာရှင် တစ်ယောက် အနေနဲ့ တွေးပြီး ဆက်လုပ် သွားမယ်၊ နယ်မြေရဲ့ နယ်နိမိတ်လား" ကျွန်ုပ်တို့တွင်ရှိသော နယ်နိမိတ်များထဲမှ တစ်ခုသည် စဉ်ဆက်မပြတ် လေ့လာသင်ယူခြင်း၏ ကဏ္ဍတစ်ခုဖြစ်သည်ဟု ကျွန်တော်ထင်ပါတယ်။
အားဖြည့်သင်ယူခြင်း၏အရာများထဲမှတစ်ခုသည် ၎င်းကိုလုပ်ဆောင်ရန်အထူးသင့်လျော်သည်ဟု ကျွန်တော်ထင်သည်၊ အကြောင်းမှာ ကျွန်ုပ်တို့၏ algorithms အများအပြားသည် data များလာသည်နှင့်အမျှ ၎င်းတို့သည် data များကိုလုပ်ဆောင်နေသောကြောင့်ဖြစ်ပြီး algorithms အများအပြားသည် ၎င်းတို့သည် တိုက်ရိုက်သဘောပေါက်မည်ဖြစ်သည်။ သဘာဝကျကျ သင်ယူဖို့ သင့်တော်ပါတယ်။ သူတို့လုပ်တာ ဒါမှမဟုတ် သူတို့ကောင်းတယ်လို့ မဆိုလိုပါဘူး၊ ဒါပေမယ့် ကျွန်တော်တို့ ကိုယ့်ကိုကိုယ် မေးခွန်းထုတ်နေစရာ မလိုပါဘူး၊ ငါတို့ ဘာလုပ်နိုင်မလဲဆိုတာနဲ့ ပတ်သက်ပြီး စိတ်ဝင်စားစရာကောင်းတဲ့ သုတေသနမေးခွန်းတွေ အများကြီးပဲလို့ ကျွန်တော်ထင်ပါတယ်။
ဤစဉ်ဆက်မပြတ်သင်ယူမှုကိုအသုံးပြုသည့် အနာဂတ်အက်ပ်လီကေးရှင်းကို သင်စိတ်အ၀င်စားဆုံးဖြစ်ပါသလား။
ဤသည်မှာ ဒေါ်လာဘီလီယံနှင့်ချီသော မေးခွန်းဖြစ်သည်၊ အဘယ်ကြောင့်ဆိုသော် ကျွန်ုပ်သည် ထိုလျှောက်လွှာများကို ရှာဖွေနေသောကြောင့် ဖြစ်သည်။ သုတေသီတစ်ယောက်အနေနဲ့ မှန်ကန်တဲ့မေးခွန်းတွေ မေးနိုင်ခဲ့တယ် လို့ ကျွန်တော်ထင်ပါတယ်၊ ဒါက အလုပ်ရဲ့ ထက်ဝက်ကျော်လောက်ပါပဲ၊ ဒါကြောင့် ကျွန်တော်တို့ရဲ့ အားဖြည့်သင်ကြားမှုမှာ အကြိမ်ပေါင်းများစွာ ပြဿနာတွေက တွန်းအားပေးခံရတာကို နှစ်သက်တယ်လို့ ကျွန်တော်ထင်ပါတယ်။ "အိုး ကြည့်စမ်း၊ ငါတို့မှာ ဒီစိန်ခေါ်မှုရှိတယ်၊ စထရာတိုစဖီးယားမှာရှိတဲ့ မိုးပျံပူဖောင်းငါးခုကို ပြောကြည့်ရအောင်၊ ဒါကြောင့် အခု ဒါကို ဘယ်လိုဖြေရှင်းရမလဲဆိုတာ အဖြေရှာရမယ်" ပြီးတော့ သိပ္ပံပညာဆိုင်ရာ တိုးတက်မှုကို လျှောက်လှမ်းနေပါတယ်။ လက်ရှိမှာတော့ Adam White၊ Martha White တို့လို တခြား APIs တွေနဲ့ အလုပ်လုပ်နေပါတယ်၊ ဒါက ဒီရေသန့်စင်စက်ရုံမှာ သူတို့ ဦးဆောင်တဲ့ ပရောဂျက်တွေပါ။ အဲဒါကို ဘာသာစကားနဲ့ ဖော်ပြဖို့တောင် ခက်ခဲတဲ့ ကိစ္စတစ်ခု ဖြစ်လို့ တကယ်ကို စိတ်လှုပ်ရှားမိတဲ့ အရာတစ်ခုပါ၊ ဒါကြောင့် ကျွန်တော်တို့ ဘာသာစကားနဲ့ ရရှိထားတဲ့ လက်ရှိ စိတ်လှုပ်ရှားစရာ အောင်မြင်မှုတွေ အားလုံးနဲ့ မတူဘဲ၊ အဲဒါတွေက အဲဒီမှာ အလွယ်တကူ အသုံးချနိုင်ပါတယ်။
ငါပြောသလိုပဲ၊ မင်းမှာ ရေအပြောင်းအလဲတွေ မကြာခဏ ကြုံရတတ်တယ်၊ လှိုင်းထန်တာ၊ အပူချိန် စသည်တို့နဲ့ ကွဲပြားတဲ့ အချိန်အတိုင်းအတာကို လည်ပတ်စေတယ်။ စဉ်ဆက်မပြတ် လေ့လာသင်ယူဖို့ဆိုတာ ရှောင်လွှဲလို့ မရဘူးလို့ ထင်ပါတယ်။ ၎င်းသည် လူမှုရေးဆိုင်ရာ သက်ရောက်မှုကြီးကြီးမားမားရှိပြီး လူဦးရေအတွက် အမှန်တကယ်သောက်သုံးရေပေးဆောင်ခြင်းထက် ပိုအရေးကြီးသောအရာကို စိတ်ကူးကြည့်ရန် ခက်ခဲပြီး တစ်ခါတစ်ရံတွင် ယင်းသည် အလွန်အရေးကြီးပါသည်။ ဥပမာ ကနေဒါမှာ တခါတရံမှာ၊ မြောက်ပိုင်းဒေသလိုမျိုး လူဦးရေကျဲပါးတဲ့ ဒေသတွေကို သွားတဲ့အခါ တစ်ခါတလေမှာ ရေသန့်စက်ကို လည်ပတ်ဖို့ အော်ပရေတာတောင် မရှိတဲ့အတွက်ကြောင့်ပါ။ အော်ပရေတာများကို အစားထိုးရန် လိုအပ်သည်မဟုတ်သော်လည်း၊ ကျွန်ုပ်တို့တွင် ဝန်ထမ်းအင်အား သို့မဟုတ် အစွမ်းအစမရှိသောကြောင့် ၎င်းသည် ကျွန်ုပ်တို့အား တစ်နည်းတစ်ဖုံ မစွမ်းဆောင်နိုင်သောအရာများဆီသို့ ခွန်အားဖြစ်စေရန်ဖြစ်သည်။
ဒါဟာ ကြီးမားတဲ့ လူမှုရေးဆိုင်ရာ အကျိုးသက်ရောက်မှုတွေ ရှိတယ်လို့ ကျွန်တော်ထင်ပါတယ်၊ ဒါဟာ အလွန်စိန်ခေါ်တဲ့ သုတေသနပြဿနာတစ်ခုပါ။ ကျွန်ုပ်တို့တွင် Simulator တစ်ခုမရှိပါ၊ တစ်ခုရယူရန်နည်းလမ်းမရှိပါ၊ ထို့ကြောင့်ကျွန်ုပ်တို့သည်အကောင်းဆုံးဒေတာကိုအသုံးပြုရပါမည်၊ ကျွန်ုပ်တို့သည်အွန်လိုင်းတွင်သင်ယူရပါမည်၊ ထို့ကြောင့်စိန်ခေါ်မှုများစွာရှိနေသည်၊ ၎င်းသည်အရာများထဲမှတစ်ခုဖြစ်သည်။ ငါစိတ်လှုပ်ရှားနေတယ်။ နောက်တစ်ခု၊ ဒါက ကျွန်တော်အများကြီးလုပ်ဖူးတဲ့အရာမဟုတ်ပေမယ့် နောက်တစ်ခုက အအေးခံအဆောက်အအုံတွေ၊ နောက်တစ်ခုက ရာသီဥတုအကြောင်း၊ ရာသီဥတုဖောက်ပြန်မှုတွေအကြောင်းနဲ့ ကျွန်တော်တို့အပေါ် သက်ရောက်မှုရှိနိုင်တဲ့ အရာတွေကို မကြာခဏဆိုသလိုပဲ ဘယ်လိုမျိုး၊ အဆောက်အဦကို ဘယ်လိုအေးအောင် လုပ်မယ်ဆိုတာကို ဆုံးဖြတ်မှာလား။ ယနေ့ကျွန်ုပ်တို့ ဤနေရာတွင် လူရာနှင့်ချီရှိသော ဤအဆောက်အအုံကဲ့သို့ပင်၊ ၎င်းသည် ယခင်အပတ်ကထက် အလွန်ကွာခြားပြီး၊ ကျွန်ုပ်တို့သည် အတိအကျတူညီသောမူဝါဒကို အသုံးပြုတော့မည်လား။ အများစုမှာ ကျွန်ုပ်တို့တွင် အပူချိန်ထိန်းကိရိယာတစ်ခုရှိသည်၊ ထို့ကြောင့် ကျွန်ုပ်တို့သည် "အိုး၊ နွေးတယ်၊ ဒါကြောင့် ဒါကို ပိုပြီး လိမ္မာပါးနပ်စွာနဲ့ လိုက်လျောညီထွေဖြစ်အောင် လုပ်နိုင်တယ်" လို့ ပြန်တွေးမိပြီး တစ်ခါတလေမှာ အခန်းတစ်ခန်းမှာ လူတွေအများကြီးရှိတယ်၊ တခြားတစ်ယောက်မဟုတ်၊ .
မြင့်မားသောအတိုင်းအတာရှိသော ထိန်းချုပ်မှုစနစ်များအကြောင်း ဤအခွင့်အလမ်းများစွာရှိပါသည်၊ ကျွန်ုပ်တို့၏စိတ်ထဲတွင် ကျွန်ုပ်တို့သည် နယ်ပယ်တွင် ယခုလက်ရှိရရှိထားသော စံချဉ်းကပ်မှုများထက် များစွာပိုကောင်းအောင် လုပ်ဆောင်နိုင်သည်ဟု ကျွန်ုပ်တို့စိတ်ထဲတွင် တွက်ချက်ရခက်ပါသည်။
အချို့နေရာများတွင် ဓာတ်အားသုံးစွဲမှု၏ 75% သည် စာသားအရ A/C ယူနစ်များဖြစ်သောကြောင့် အဓိပ္ပါယ်များစွာရှိသည်။
အတိအကျပြောရရင်၊ မင်းအိမ်မှာ ဒီလိုအများကြီးရှိတယ်၊ သူတို့က machine learning လုပ်တဲ့ ထုတ်ကုန်တချို့နဲ့ သူတို့ရဲ့ clients တွေဆီကနေ သင်ယူပြီးသွားပြီလို့ ငါထင်ပါတယ်။ ဤအဆောက်အအုံများတွင်၊ ဖလော်ရီဒါ၊ ဘရာဇီးတို့ကဲ့သို့ ပိုမိုကောင်းမွန်သောနည်းလမ်းကို သင်ရနိုင်သည်၊ ၎င်းသည် လိုအပ်သည့်နေရာများစွာရှိသည်။ Cooling data centers၊ ဒါကနောက်ထပ်တစ်ခုပါဘဲ၊ ဒါကိုစလုပ်နေတဲ့ ကုမ္ပဏီအချို့လည်း ရှိပါတယ်၊ ဒါက sci-fi နီးပါးလို့ထင်ရပေမယ့် လိုအပ်လာတာကြောင့် အဆက်မပြတ်လေ့လာပြီး လိုက်လျောညီထွေဖြစ်အောင် လုပ်နိုင်စွမ်းရှိပါတယ်။ ကျွန်ုပ်တို့ မီးပုံးပျံများ ပျံသန်းနေချိန်ကဲ့သို့ မြင့်မားသော Dimension ကဲ့သို့သော ဤထိန်းချုပ်မှုဆိုင်ရာ ပြဿနာများတွင် သူ၏ ကြီးမားသော အကျိုးသက်ရောက်မှုများ ရှိနိုင်သည်။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့ပြသနိုင်ခဲ့သည့်အရာများထဲမှတစ်ခုမှာ အားဖြည့်သင်ကြားမှုကို အတိအကျသိရှိနိုင်သည်၊ အထူးသဖြင့် နက်နဲသောအားဖြည့်သင်ယူမှုသည် လူသားများဒီဇိုင်းရေးဆွဲထားသည်ထက် ပိုမိုရှုပ်ထွေးသည့်အာရုံခံကိရိယာများပေါ်အခြေခံ၍ ဆုံးဖြတ်ချက်များကိုသင်ယူနိုင်သည်။
အဓိပ္ပါယ်ဖွင့်ဆိုချက်ဖြင့်သာ လူသားတစ်ဦးသည် တုံ့ပြန်မှုမျဉ်းကွေးကို မည်ကဲ့သို့ ဒီဇိုင်းဆွဲမည်ကို ကြည့်ရှုသည်၊ "ကောင်းပြီ၊ ၎င်းသည် linear၊ quadratic ဖြစ်ကောင်းဖြစ်နိုင်သည်" ဟူသော ခံစားချက်မျိုးရှိရုံမျှဖြင့် သင့်တွင် အာရုံကြောကွန်ရက်တစ်ခုရှိလျှင် ၎င်းသည် သင်ယူနိုင်မည်မဟုတ်ပေ။ - တခါတရံမှာ အတော်လေး ထိရောက်တဲ့ ဆုံးဖြတ်ချက်တစ်ခုကို ပိုကောင်းစေမယ့် linearities တွေပါ။
အံ့သြဖွယ်အင်တာဗျူးအတွက် ကျေးဇူးတင်ပါသည်၊ ပိုမိုလေ့လာလိုသော စာဖတ်သူများသည် အောက်ပါအရင်းအမြစ်များကို သွားရောက်ကြည့်ရှုသင့်ပါသည်။
